基于代表色特征的图像检索

基于内容的图像检索（CBIR,Content-based Image Retrieval)在多媒体检索中得到越来越多的重视,本文提出了一种基于图像颜色特征的图像检索方法,在经过变形的HSL颜色模型空间,通过适当的聚类分析算法提取出能够代表图像颜色特征的代表色集,并引入代表色的分布特征和纹理特征,作为图像的特征矢量进行匹配检索,在试验中本方法取得了较好的试验结果。     

基于模板匹配的图像检索方法研究

基于内容的图像检索实际上是一种近似匹配技术[1],[2],由用户指定一幅示例图像并提取其特征,然后与数据库中的图像特征进行比较,判断其相似程度,并将结果反馈给用户。当两幅图像之间存在着较大的旋转、平移等几何变形时,特征匹配的结果往往并不准确。为了消除影像的几何变形对图像检索的影响,提出了一种先对影像进行变形纠正然后使用模板进行匹配的方法,实验证明该方法的检索精度要高于传统的特征匹配检索精度。     

多粒度颜色特征在图像检索中的应用

将商空间粒度计算理论引入到了图像检索领域,提出了一种新的图像检索方法.首先针对彩色图像在不同粒度下的表现得到不同粒度下的颜色特征,获得不同的商空间,然后根据商空间粒度合成原理对已得到的商空间进行合成,进而以合成后的属性函数来完成图像检索.与采用单一颜色特征的图像检索方法相比,采用多粒度颜色特征的图像检索方法能够在更大程度上利用图像自身所提供的信息,实验结果验证了该方法的可行性和有效性.     

基于图像几何特征的预检索技术研究

图像特征的有效提取及表征是基于内容图像检索中的关键问题,将图像的几何特征引入图像的抽象描述中,利用四叉树结构进行特征索引,实现了动态检索基于图像空间几何特征的检索方法,与传统单特征的检索方法相比,减少了特征数据量,缩短了检索时间.     

基于稀疏表示和块匹配的图像超分辨率重建方法

针对图像的超分辨率重建问题,提出一种基于稀疏表示和块匹配的重建方法.首先,根据图像退化模型将HR图像退化成LR图像.然后,通过训练获得过完备字典,对图像重建问题进行稀疏表示,并对此进行求解.最后,利用重叠块技术缓解块效应,利用反向投影技术保证全局一致性,最终获得重建的HR图像.另外,将该方法扩展到多帧图像重建中,利用块匹配技术从多帧图像中选择出一个目标图像,以此实现重建.实验结果表明,该方法的重建图像具有较低的峰值信噪比.     

基于颜色聚类的JPEG图像索引与检索

针对JPEG压缩图像,根据感知相似性,提出一种基于颜色聚类带相关反馈的快速压缩域索引和检索方法.该方法直接在YCbCr空间上进行,可提高图像特征提取的速度、节省存储空间.实验结果证明了本方法的有效性.     

超分辨率复原技术中基于分级块匹配的运动估计

超分辨率复原技术中的运动补偿(或图像配准)是超分辨率复原过程中的首要环节.运动补偿的基本前提是运动估计问题.运动估计的方法中,在基于多目标场景的平移运动中多采用分级块匹配的方法.本文着重介绍了分级块匹配的方法极其可信度验证,并将其优缺点做了简单对比.     

基于颜色直方图的图像检索

在当前图像检索研究的现状上,提出了基于颜色特征的CBIR系统.采用综合特征（图像的平均值、能量、熵和方差）检索,采用直方图相交算法和曼哈顿距离公式计算图像的相似性,获得较精确的、效率较高的检索结果.     

基于内容的图象检索技术

本文对基于内的图象检索理论进行了深入的研究，给出了图象检索的基本过程，常用方法，匹配算法和提高检索效率的方法。     

基于动态匹配词格检索的关键词检测

对生活中涌现的海量语音数据需要进行快速而准确的检索. 提出一种基于动态匹配词格检索的关键词检测方法,应用TRAP 特征和多层感知器创建更为精准的音素Lattice. 在索引阶段执行一个改进的维特比算法遍历Lattice 来创建一个固定长度的音素序列数据库,在检索阶段应用最小编辑距离作为置信度来实现关键词的检
出. 实验结果表明,该方法相比应用MFCC 和PLP 特征的基线系统具有一定的优势,召回率可提升5% 左右.     

嵌套网络模型下的相似图像检索方法

对深度学习领域的稠密卷积网络（dense convolutional network,DenseNet）进行改进,提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络（squeeze-and-excitation network,SENet）,调整原DenseNet网络结构,优化特征提取模块,从而提高图像检索的准确率。在整个深度学习的过程中,给图像特征通道设置合理的权值,抑制图像中的无效特征,能够进一步提高图像的检索速度。实验结果表明,所提算法能够加强图像有效特征的传递,无论从精度和速度方面均可得到较好的图像检索结果。     

利用多维空间同源连续性的图像检索

对两个同源的事物,从一个事物逐渐变化到另一个事物的过程存在连续性. 该文依据多维空间仿生信息学理论,结合图像特征数据的提取与多维空间的点同源连续性规律,提出一种同源相似度和图像仿生距离相结合的相似性度量方法,实现高效的图像检索. 用COREL图像库进行测试,表明所提出的方法可有效提高检索效率.     

基于模板匹配的有复杂背景的条码图像区域分割

为从有复杂背景的条码图像中分割出条码区域，将图像分割技术应用于条码自动识别．首先对输入的有复杂背景的条码图像进行预处理，运用图像腐蚀的方法，使图像上的文字等复杂背景变成一些孤立点，通过中值滤波器滤除这些孤立点，此时图像中条码的相对位置不变；然后运用模板匹配的方法对图像进行区域查找，在原图像上可分割出条码区域；最后调用读码软件读取条码佰来判断条码区域的分割效果．     

一种改进的基于代价函数的地图匹配算法

为了提高基于代价函数的地图匹配算法的效率,提出了一种减少算法计算量的方法.该方法结合地图匹配算法中的数据滤波等判决法则,合理利用已有的匹配信息,能在更小的范围内选择待匹配路段,达到减少计算量的目的.该方法在导航定位系统中具有实用意义.     

多特征主成分分析与声图相结合的海底底质分类

通过提取多种回声特征构造全特征向量,并对全特征向量进行主成分分析,计算出对底质分类贡献率最大的特征组,实现海底底质的分类. 采用两种分类方法对胶州湾实测数据进行比较,可得出下列结论：应用多特征主成分分析与声图相结合的分类结果优于单纯使用声纳图像的分类结果.     

基于粗糙集约简的水稻叶片叶绿素含量高光谱反演

利用高光谱技术可估测水稻冠层叶绿素含量,为水稻的长势遥感监测与农艺决策提供科学依据. 基于地面实测水稻叶片光谱数据,提出了一种粗糙集属性简约和支持向量回归相结合的叶绿素反演方法,解决了植被光谱指数相关性高易造成计算冗余以及降低水稻叶片叶绿素高光谱反演效率的问题. 首先选择18 个与水稻叶绿素含量相关性较大的植被光谱指数作为因变量,利用粗糙集约简植被指数数据空间得到含有6 个植被光谱指数的简约核;然后采用支持向量回归方法反演叶绿素含量. 基于全部指数反演及基于简约核指数反演的R2 分别为0.858 6与0.850 6. 因此,该方法与采用全部指数进行反演的结果相比,不但具有相当的反演精度,而且有效缩短了反演算法步骤及时间,为大数据处理提供了新的技术方法.     

动态人脸图像序列中表情完全帧的定位与识别

考虑到人脸表情演变是一个持续过程,相比于静态图像,动态图像序列更适合作为人脸表情识别的研究对象。该文提出了一种基于嵌入网络的序列帧定位模型,利用加载预训练权重的Inception ResNet v1网络提取人脸表情序列各帧的特征向量,通过计算特征向量间的欧氏距离,定位出具有最大表情强度的完全帧,进而获取人脸表情序列数据;为了进一步验证定位模型的准确性,分别利用VGG16模型和ResNet50模型对定位的完全帧进行人脸表情识别。在CK+和MMI人脸表情数据库上进行了实验,所提的序列帧定位模型的定位平均准确率分别达到98.31%和98.08%;利用VGG16模型与ResNet50模型对定位的完全帧进行表情识别,在两个数据库上的实验结果分别达到了96.32%和96.5%,87.23%和87.88%,结果表明所提出的模型能够获取可靠的表情完全帧,并取得了令人满意的人脸表情识别效果。     

一种基于四叉树划分的改进ORB算法

原ORB （oriented FAST and rotated BRIEF）算法提取的图像特征点经常出现“扎堆重叠”现象,其分布较为密集且缺乏尺度不变性,因而容易造成图像特征点误匹配的问题。为了解决该问题,提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔,然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征（features fromaccelerated segment test,FAST）算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后,根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值,提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点,并使用改良后的二元鲁棒独立基本特征（binary robust independent elementary features,BRIEF）算法计算得出特征点的描述符,最后进行特征点匹配。实验结果表明,本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升,冗余重叠的特征点数量减少,且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。     

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine, SVM) 分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析. 实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.